Artifact-GSI

Artifact-GSI数据集是由澳门大学等机构收集的，包含超过100名接受关节置换手术并带有金属植入物的患者的CT扫描数据。每个患者的数据包含至少两个校准序列，一个是通过标准CT扫描获得的，通常显示出严重的金属 artifacts，另一个是利用GSI技术获得的，能有效减少artifacts。该数据集为训练模型提供了真实世界的金属artifacts数据，缩小了模型训练和实际应用之间的领域差距。

The Artifact-GSI dataset was collected by institutions such as the University of Macau, and contains CT scan data from over 100 patients who underwent joint replacement surgery with metallic implants. Each patient’s data includes at least two calibrated sequences: one acquired via standard CT scanning, which typically exhibits severe metal artifacts, and the other obtained using GSI technology, which can effectively reduce such artifacts. This dataset provides real-world metal artifact data for model training, narrowing the domain gap between model training and real-world applications.

搜集汇总

数据集介绍

构建方式

Artifact-GSI数据集构建于157名患者的真实CT扫描数据，其中115名患者体内植入了金属假体，42名无植入患者数据用于对照研究。采用GE Discovery CT 750HD设备同步采集普通CT序列和宝石能谱成像(GSI)序列，通过相似度计算算法实现序列间切片配准，并应用仿射变换确保像素级对齐。数据集涵盖六大解剖区域及三类常见植入物类型，所有数据均经过放射科专家校准并标注关键解剖结构，为金属伪影消除研究提供了真实临床场景下的高质量基准数据。

特点

该数据集的核心价值在于首次提供了配对的普通CT与GSI CT序列，通过多能级X射线技术有效抑制金属伪影的同时，保留了完整的解剖结构信息。数据具有三维空间连续性特征，相邻切片间存在冗余信息，为基于深度学习的伪影消除算法提供了丰富的上下文信息。特别值得注意的是，普通CT序列虽受伪影干扰，但经实验验证其包含与GSI序列相当的潜在信息量（mIoU:0.9213 vs 0.9265），这为表征对齐算法的发展提供了重要理论基础。数据集还包含植入物类型标注和金属区域掩模，为算法引入先验知识创造了条件。

使用方法

使用该数据集时，建议采用论文提出的潜在空间对齐框架进行模型训练。首先通过变分自编码器将配准后的CT序列映射到潜在空间，利用对齐网络调整普通CT的潜在表征使其逼近GSI CT的清晰表征。训练过程中需采用信息不变损失保持原始数据完整性，最终通过专用解码器重建无伪影图像。数据集支持三种评估方式：与GSI序列的定量指标对比（PSNR/SSIM/LPIPS）、下游分割任务性能验证（mIoU）以及临床专家双盲评分。值得注意的是，该框架展现出色的跨设备泛化能力，在西门子、飞利浦等未参与训练的CT设备数据上仍保持稳定性能。

背景与挑战

背景概述

Artifact-GSI数据集由澳门大学与郑州大学人民医院等机构的研究团队于2025年提出，旨在解决CT影像中金属植入物导致的伪影问题。该数据集包含157例患者的真实临床数据，其中115例带有金属植入物，同时采集了普通CT与宝石能谱成像(GSI)双序列数据。核心创新在于首次建立了真实场景下的金属伪影-清晰影像配对基准，突破了传统方法依赖合成数据的局限。该数据集推动了医学影像领域从硬件升级方案向深度学习方法的范式转变，为CT金属伪影消除任务提供了重要的研究基础。

当前挑战

在领域问题层面，金属伪影消除面临三大挑战：光子饥饿效应导致的局部信息缺失、射束硬化效应引起的灰度畸变，以及传统方法在合成数据与真实数据间存在的领域鸿沟。在构建过程中，研究团队需克服多模态影像配准的精度难题、GSI序列的高成本获取限制，以及金属植入物类型与位置的异质性带来的标注困难。特别值得注意的是，如何在保持解剖结构真实性的同时消除伪影，成为评估算法临床适用性的关键指标。

常用场景

经典使用场景

Artifact-GSI数据集在医学影像领域主要用于减少CT图像中的金属伪影。金属植入物如人工关节或骨折内固定物在CT扫描中会产生严重的伪影，影响图像质量和诊断准确性。该数据集通过提供普通CT扫描和宝石能谱成像（GSI）CT扫描的配对数据，使研究人员能够开发算法来减少这些伪影，同时保留图像中的关键解剖结构。

衍生相关工作

围绕Artifact-GSI数据集，已衍生出多项经典研究工作。例如，潜在GSI对齐框架（LGA）通过变分自编码器实现普通CT与GSI CT的潜在空间对齐；双域网络方法（如DuDoNet）结合投影域和图像域信息进行伪影减少。这些工作不仅推动了金属伪影减少技术的发展，也为其他医学影像增强任务提供了新思路。

数据集最近研究

最新研究方向

在医学影像领域，金属伪影一直是影响CT图像质量的关键问题。Artifact-GSI数据集的提出为金属伪影减少研究开辟了新方向。最新研究聚焦于潜在空间对齐技术，通过将普通CT序列的表示与宝石能谱成像(GSI)CT序列对齐，有效抑制金属伪影同时保留组织结构细节。这一创新方法突破了传统基于生成算法的局限，避免了额外噪声信息的引入。前沿研究还探索了三维体积输入和不对称VAE架构设计，充分利用相邻切片信息补偿伪影区域。该方向与当前医学影像AI的热点问题高度契合，特别是在关节置换术后评估等临床场景中展现出重要应用价值。数据集提供的真实患者多模态影像为算法临床转化奠定了坚实基础，其建立的评估体系也为领域发展提供了新基准。

相关研究论文

• Reducing CT Metal Artifacts by Learning Latent Space Alignment with Gemstone Spectral Imaging Data

  澳门大学 · 2025年